基于贝叶斯优化的安全高效无模型自适应控制
系统与控制
2021-03-03 v2 人工智能
机器学习
机器人学
系统与控制
摘要
当存在精确的系统模型或合适的控制器参数化时，自适应控制方法可产生高性能控制器。现有的数据驱动自适应控制方法大多用关于动力学不确定性或干扰的额外信息来扩充标准的基于模型的方法。在这项工作中，我们提出一种纯数据驱动、无模型的 adaptive control 方法。仅基于系统数据来调谐底层控制器会引发对底层算法安全性和计算性能的担忧。因此，我们的方法建立在 GoOSE 之上，GoOSE 是一种安全且样本高效的贝叶斯优化算法。我们在 GoOSE 中引入了若干计算和算法修改，使其能够在旋转运动系统上实际使用。我们针对多种干扰类型从数值上证明，我们的方法具有样本高效性，在安全性方面优于约束贝叶斯优化，并达到了由网格评估计算出的性能最优值。我们进一步在旋转运动系统上通过实验演示了所提出的自适应控制方法。
引用
@article{arxiv.2101.07825,
title = {Safe and Efficient Model-free Adaptive Control via Bayesian Optimization},
author = {Christopher König and Matteo Turchetta and John Lygeros and Alisa Rupenyan and Andreas Krause},
journal= {arXiv preprint arXiv:2101.07825},
year = {2021}
}